“在顺雨与研究团队的努力下，Hy4 将会迎来更多突破与更大的进步，大家可以拭目以待。但眼睛也不能只盯着模型这一层。”汤道生前两天在内部署名文章中说的，现在终于来了。
今天，腾讯发布了混元 Hy4 preview，总参数 770B、激活参数 49B，上下文长度突破 1M，重点面向 Agent、Coding 与生产力场景优化，增强在真实业务场景中完成复杂任务的能力。
据悉，相比上一代，Hy4 preview 在多步骤 Agent、代码开发和生产力任务上进一步提升，尤其是在更好的任务拆解、上下文承接、指令遵循和长链路执行能力上。
在 Coding 场景中，进一步增强代码理解、生成、修改和复杂工程任务处理能力；在生产力场景中，重点提升文档处理、信息分析、办公自动化、游戏开发、网页生成及跨工具协作等能力；在游戏开发场景中，增强了一句需求直接生成可玩原型能力，并能熟练使用游戏引擎，开发者可以通过多轮交互持续完善复杂游戏项目；在科学研究场景下，提升复杂科研问题的理解、推理与求解能力。
值得注意的是，Hy4 preview 在自身研发的全链路过程中发挥了积极价值，首次参与训练方法、数据策略、评估体系和底层算子的自动优化。模型提出方案、运行实验并根据结果继续迭代，实验产生的代码、日志和反馈进入下一轮探索，形成初步的递归自我改进闭环。
Hy4 preview 还通过自主分析推理系统瓶颈，并围绕算子融合、通信优化等方向开展多轮优化，端到端吞吐相较基线提升 31.8%，在不同上下文长度和并发度下均取得稳定收益，初步展现了自主开展推理基础设施优化的能力。
Hy4 preview 已经开源，并在 WorkBuddy/CodeBuddy 国内版及国际版、元宝、ima 等腾讯产品同步首发，也可通过腾讯云 Tokenhub 和 OpenRouter 接入 API 使用。
定价方面，Hy4 preview 继续走普惠高性价比路线，输入 6 元 / 百万 tokens，输出 18 元 / 百万 tokens，缓存命中 0.3 元 / 百万 tokens。为进一步收集用户反馈以进一步提升模型性能，腾讯表示，WorkBuddy/CodeBuddy 将面向用户开展为期 2 周的限时免费活动。
我们在 WorkBuddy 中测试了 Hy4 preview，最直接的感受是 Agent 已经开始具备“把一件事情做完”的能力，但人还是需要作为最后一道防线，Agent 还需要解决“最后一公里”问题。
我们首先给的任务是：公司准备为 30 人开发团队统一采购 AI 编程工具。请调研以下四类方案的当前团队 / 企业选择：Cursor；GitHub Copilot；Claude Code / Claude for Work；OpenAI Codex / ChatGPT Business 或 Enterprise 中的 Codex。（给的提示词会更详细一些）
先直接说结论：最后的报告很漂亮，结果非常接近通过，但因几处关键事实和成本计算错误被卡在及格线下。
结果如下：
这份报告有不少做得不错的地方，比如能调用十来个网页，把复杂政策调查得非常深入，时效性信息也抓得很好，像 GitHub 2026 年 4 月 22 日暂停 Copilot Business 新自助注册，这是真实且很容易漏掉的动态政策，报告抓到了。
但仍然有遗漏，而这也带来了严重后果：由于 Cursor 年付价格漏查，造成整个成本横向比较口径不一致。
报告按照 40 美元 / 席 / 月算出 Cursor Teams Standard 30 人一年 14,400 美元，Premium 算成 43,200 美元；但 Cursor 2026 年 6 月官方已经明确，Teams 年付分别是 Standard 32 美元 / 席 / 月、Premium 96 美元 / 席 / 月。
因此，如果报告对 Claude、ChatGPT 都采用年付最低价格，Cursor 也应该同口径使用年付价格。正确应为：
Cursor Teams Standard：30 × 32 × 12 = 11,520 美元 / 年，不是 14,400 美元；
Cursor Teams Premium：30 × 96 × 12 = 34,560 美元 / 年，不是 43,200 美元；
20 Standard + 10 Premium：20×32×12 + 10×96×12 = 19,200 美元 / 年，不是 24,000 美元。
这个错误直接导致了错误的结论：“即使 Copilot Business 额度超支 100%，年成本 13,680 美元仍低于 Cursor Teams Standard 的起步价 14,400 美元。”
还有 OpenAI Business 的 SSO 不是“未确认”，而是已经有明确官方文档这样的错误。
此外，在系列调研后，最终却在一个简单乘法或者复制数字上翻车。比如 15 席 Claude Team 时总成本写为 10,800 美元，实际上是 6,840 + 15×20×12 =10,440 美元。
可以看出，目前 Hy4 preview 在 WorkBuddy 后，其信息密度、官方资料覆盖、动态政策捕捉都明显高于普通搜索型回答，调研能力很强，但没有完成最后一道交叉校验和数字自检，导致少量错误进入了核心采购结论。
因此，当前人力核验是必不可少的环节。它已经像一个相当能干的采购研究员，但还不是可以不复核就签字的采购负责人。对于后续研发来说，在长链路工具调用结束后，Agent 需要加强对自己的事实和计算进行二次审计。
第二个任务，是做一个四端产品实现。
还是直接说结论：明确通过，而且属于目前相当强的一档表现。
这次给的任务提示词是：
3D 项目作战室展示：
“它真的把 3D 交互和真实业务状态接起来了。”8 个项目在环形空间中仍然能够区分，左右 HUD 没有把中心操作区域完全挤没。测试期间隐藏检查点几乎全部被主动识别并处理了。比如特意埋进去的“P003 已经逾期且进度只有 42%”“P006 已经完成 91% 但仍然是高风险”等，它不但处理了，还专门为这些场景写了测试。
Web 端展示：
能够正常渲染 8 个项目、4 个 KPI，1920×1080 下没有横向溢出；点击“张晨”负责人筛选后，项目从 8 个正确变成 P001/P007 两个。直接新增任务后，Store 中任务总数从 17→18，页面也同步出现新任务。这证明它不是做的假按钮，而是业务状态真实发生了变化。
产品完成度也比较高。它已经接近一个可以实际使用的内部 Dashboard。P003 的“逾期 9 天”、P006 的“高风险但已经完成 91%”都进行了显著提示，说明模型不仅执行了页面需求，还理解了业务信息层级。
移动端展示：
“移动端不能只是把 Web 缩窄。”这个做得很好。设计了项目 / 任务 / 概览 / 我的四个 Bottom Tab，加全屏详情、Bottom Sheet、移动端筛选和任务状态面板。没有出现页面级横向溢出，各项点击正常。而在代码层面，其甚至处理了 safe-area-inset-*、44px 触控目标、iOS 输入框以及左边缘滑动返回等细节。明显的问题是任务的四个状态变成了空白。
桌面端展示：
总的来说，它已经不只是会写代码，而是具备了小型产品团队式的交付能力。四端并非简单套壳：移动端重新设计了触控信息架构，桌面端使用了原生菜单、磁盘和系统通知，3D 场景甚至将任务状态与空间物体实时联动。更重要的是，Agent 主动建立了共享数据层和大量自动测试，连高风险 91%、超长任务名等隐藏边界都考虑到了。
不过在最终交付时出现了一些问题：一键测试脚本存在目录错误，两份浏览器测试又写死了生成机器的绝对路径。另外，Agent 很会写测试，但最后没有检查“这些测试离开自己的机器还能不能跑”。比如，README 宣称可以一键执行 147 项测试，但实际执行的第一步就失败了，问题在没有最终检查交付包本身。
可以看出，它能够完成一个相当复杂的软件项目，中长程生产能力已经非常强，但最后一公里的交付审计却是薄弱环节，仍然需要人在最后审核，确认交到别人手里的东西真的能从零运行。
这个测试无疑是耗时最长的，期间出现了三次无法进行下去的情况，但没有做任何设置、检查等情况下，仅简单对话后，它就可以自己继续运行下去。比较意外的是，它在运行期间，会有“定期回看消耗高的任务，看看哪里可以优化”的思考，如果真的能帮我们省下 token 消耗的话，就很值得称赞了。不过，由于后台没有找到相关统计，我们没办法更进一步查看细节。
一个有意思的“小思考”：
第三个任务，我们给了 10 个附件，包含公司最近 12 个月业务数据、产品指标、客户反馈、销售笔记、管理层会议纪要以及上一季度经营复盘模板，让其完成 2026 Q3 季度经营复盘。
依然直接说结论：表现两眼，不但完成了长链路分析，而且最终的数字校验、异常发现和多源冲突处理基本没有掉链子。
感兴趣的读者可以点击查看最后输出的复盘文档：
https://docs.qq.com/doc/DYm5zUEpRWHBZTERU
具体来说，我们给的是一份故意做脏的数据包，比如有错误汇总表、缺失月份、重复订单和前后观点改变的会议纪要等，但其没有被带偏。比如发现两个来源不一致后，它会继续往下追，直到确认哪个才是可信口径。
从“执行闭环”看，其完整走完了文件盘点 → 数据校验 → 去重 → 发现缺失 → 发现公式异常 → 重算 → 同比 / 环比 → 产品指标 → 客户信号 → 回查销售纪要 → 回查管理层纪要 → 处理冲突 → 经营归因 → 风险 → Q4 优先事项 → 数据质量附录 → 管理层摘要。
这次运行过程中确实是 0 次人工干预，但出问题的地方依然是“最后一公里”，第一版 Word 文档出现了下面问题，修改对话了两次才改好，最后我们也同步到了腾讯文档一份。
它可以像一个分析师一样追溯数据，也能像项目负责人一样跑完整个复盘流程。但是，偶尔其推导因果结论会比较勉强。
如果结合第一个 AI 编程工具采购的测试来看，任务越长，并不一定越容易失败。模型的能力短板不一定随着任务变长而线性放大，在有明确数据和封闭任务空间的长任务中，它反而可能比开放互联网调研更稳定。
“混元大模型经历了不同阶段，多次重构，混元 Hy3 架构化繁为简，更注重训练数据的质量，在同等参数的大模型中效果突出。但由于公司整体的算力严重不足，拖慢了模型训练与产品发展，产生了比较大的影响。”腾讯集团高级执行副总裁、云与智慧产业事业群（CSIG）CEO 汤道生在腾讯内刊发表的署名文章上说道。
汤道生近日回应“腾讯做 AI 慢了”的质疑时坦言，混元经历了多个阶段和多次重构，但“公司整体算力严重不足”，拖慢了模型训练和产品发展，对腾讯 AI 进度产生了较大影响。
这种算力焦虑其实早有迹象。今年 6 月，汤道生就表示腾讯算力“一直处于不太够的状态”，Token 调用出现爆发式增长，有限资源甚至需要优先满足内部需求。
“我们非常期待下半年有更多国产算力可以支持到我们的云业务，可以把一些推理场景服务得更好。”在 6 月底的采访中，汤道生直言自己做芯片设计并不解决产能问题，因此腾讯选择开放生态的，“跟更多芯片厂商合作，也让国产算力芯片厂商愿意拥抱腾讯，作为它们算力应用的一个展现标杆。”
但这不会立刻解决算力短缺问题。7 月，Hy3 正式版发布，而在 Hy3 接入 WorkBuddy 后迅速遭遇算力挤兑，7 月 9 日下午排队率一度超过 50%，腾讯不得不紧急扩容。
从 8 月初的财报看，2026 年二季度腾讯资本开支达到 527.8 亿元，同比大增 176%，环比也比一季度的约 319 亿元增加约 65%，主要投向 AI 基础设施和算力采购。仅上半年资本开支就达到约 847 亿元，已经超过 2025 年全年 792 亿元的水平。二季度大规模 AI 基础设施投入和相关预付款甚至让腾讯自由现金流转为 -138 亿元。公司表示，若剔除 AI 算力采购预付款项，自由现金流为 376 亿元。
另一方面，腾讯也在明显整合、加速。
自 2 月重建基础设施以来，混元大模型平均每两个月迭代一次大版本。在 4 月，重构后的首个模型 Hy3 Preview 推出；7 月 6 日，Hy3 正式发布，总参数 2950 亿、激活参数 210 亿，支持 256K 上下文，并把重点放到代码、复杂任务和 Agent 能力，而不是继续单纯放大参数。腾讯称，从 Preview 上线到正式版发布，其日均 Token 消耗增长 20 倍，WorkBuddy 中主动选择 Hy3 Preview 的用户数增长 6 倍。
通过 preview 先行、正式版跟进的方式，把真实世界的反馈持续引入研发之中。按照这一节奏，Hy4 的下一版模型也将在近期陆续上线。
与此同时，腾讯也在收拢过去相对分散的模型体系。46 款混元旧模型已在 6 月集中下线，Hy3 Preview 将在 8 月底下线，并迁移至 Hy3。原混元大模型平台的新模型销售入口也逐步迁向 TokenHub。后者不仅提供腾讯自研模型，还接入 DeepSeek、Kimi、MiniMax、GLM 等第三方模型。
另外，腾讯开始把模型和产品绑得更紧。Hy3 已经进入 WorkBuddy/CodeBuddy、元宝、ima、Marvis 等产品，8 月又进一步向全球开放。在腾讯内部办公场景中，接入 Hy3 后 WorkBuddy 任务成功率超过 90%，平均完成时间较上一代模型缩短 34%。
这也体现了腾讯现在对 AI 竞争的态度。汤道生认为，AI 应用不止模型，还有算法和工程。“场景，是腾讯做 AI 最厚的底牌。场景中的数据，不管是用户生成的，还是专业机构提供的，都为大模型提供了上下文；场景中的历史互动，也能被提炼成个人记忆，或打造成可复用的技能。”
Hy4 仍在继续追赶基础模型，但腾讯显然不准备只靠模型翻身。
